電気自動車が電力系統安定化の鍵に──制御の複雑さが立ちはだかる
脱炭素化、エネルギー強靭化、デジタル変革が定義する現代において、電気自動車（EV）はもはや単なる交通革命ではなく、系統近代化の要となりつつある。数百万台の電池駆動車が同時に充電し電力を消費するという、電力インフラへの潜在的な脅威と見なされていた現象は、急速に戦略的機会へと変容しつつある。2021年までに中国の路上ですでに900万台以上のEVが走行し、約450ギガワット時のエネルギーを蓄えていることを踏まえると、この分散型の移動体群は、系統が不安定になった時に待機する移動型蓄電ユニットの潜在的な軍団を形成している。
しかし、従来の発電所や定置型蓄電池ファームとは異なり、EVは人間的かつ機械的な複雑な問題を数多くもたらす。それらは決めてまった場所に留まらない。同意なしに配信信号に従うことはない。運転手はスケジュールや航続距離を持ち、バッテリーが切れた状態でモールの駐車場に立ち往生することを不安に思っている。そして、それらのバッテリーは堅牢ではあるが、系統サービス向けに激しく充放電を繰り返すと劣化が早まる。これが、専門家が警告する理由である：EVを系統資産としてフルに活用できるようにするためには、ハードウェアだけでなく、物理学、心理学、経済学をリアルタイムでバランスさせる、層別化されたインテリジェントな制御戦略が重要なのだ。
この変革の中心にあるのが、V2G（Vehicle-to-Grid）技術である。1995年にアモリー・ロビンスによって概念的には先駆けられ、後にデラウェア大学の研究者らによって進展されたV2Gは、双方向のエネルギー流れを可能にする。EVは需要が低い時に充電し、需要が急増する時に放電することができる。実際には、これにより接続された各車両は、重要な補助サービス—周波数調整、電圧サポート、ピークカット、緊急時バックアップ—を実行可能な微小発電所に変わる。実世界のパイロットプロジェクトは、すでにこの概念を実証している。2018年、中部電力とトヨタ自動車は、日本でEVのフリートを使用した系統周波数応答を共同実証した。同年後半、ドイツは余剰風力電力の吸収に焦点を当てた画期的なV2G試験を終了させた。中国では、2020年4月に国家電網（State Grid）が、V2G対応充電器を華北電力ピーク調整市場に正式に統合し、国内では初の試みとなった。
しかしながら、問題がある：能力は存在するが、調整は驚くほど複雑なままなのである。
系統の心拍を維持するタスクである周波数調整を考えてみよう。発電機が停止したり、エアコンの使用急増により需要が急増したりすると、系統周波数は数秒以内に低下する。これを相殺するために、運営者は従来、化石燃料タービンを高速起動させるーこれは遅く、コストがかかり、排出量の多い対策である。対照的に、EVはミリ秒単位で反応できる。アイドリング状態の車両のフリートは、ジェットエンジンが起動するよりも速く、集合的に電力を注入または吸収できる。
しかし、速度だけでは不十分である。2021年の研究によれば、EVは系統運営者が不平衡を測定するために使用する信号であるエリア制御誤差（ACE）の高周波数で小さな大きさの変動の処理には優れているが、出力を数分または数時間維持するように要求されると弱くなることが示された。さらに悪いことに、頻繁な充放電の切り替えはバッテリーの摩耗を加速させる。初期の制御戦略は、単にEVを静的な蓄電装置のように扱い、硬直的な「ドループ制御」曲線ー周波数偏差と電力出力の線形マッピングーを適用していた。しかし、これは根本的な真実を無視している：EV所有者は電力会社ではない。彼らは、補償なしに、または少なくとも必要な時に車が準備されているという保証なしに、系統の緊急事態のために朝の通勤を犠牲にはしない。
そこで、適応制御の出番である。研究者らは現在、ドループ係数ー周波数シフトに対する電力応答の感度ーが各車両の充電状態（SOC）に基づいて自動調整されるアルゴリズムを設計している。一つの優れたアプローチは、SOCとコントローラーゲインの関係を直線ではなく楕円関数としてモデル化する。なぜか？ なぜなら、SOC目標ー例えば、午前7時30分までに85%ーを直接調整可能なパラメータとして埋め込むことを可能にするからだ。目標を達成できなければ、システムは穏やかに系統サポートを緩和する。達成したら？ 完全な参加が再開される。他のチームは、SOCだけでなく、残りの駐車時間、ユーザー設定の充電期限、温度をリアルタイムで考慮するファジィ論理コントローラーを組み込んでいる。
さらに有望なのは、従来の発電機の回転慣性を模倣する仮想同期機（VSM）制御である。周波数が偏差を生じた後に反応するドループ制御とは異なり、VSMは擾乱の最中に合成慣性を注入し、振動がエスカレートする前に減衰させる。しかし、慣性は無料ではない：それはバッテリーからエネルギーを引き出す。そのため、最新のVSM変形版は「自己適応的」であるーつまり、SOCが高い時（例えば、80%以上）は仮想慣性を拡大し、バッテリーが消耗するにつれてそれを絞り込み、運転手のための航続距離を保存する。マイクログリッド試験では、このような戦略により、充電完了時間を遅らせることなく、従来の制御と比較して周波数の最低値を40%以上減少させた。
しかし、これらはほとんどが末端層の解決策であるー個々の充電器または車載コントローラーによって行われるスマートな決定である。実験室規模のデモから都市全体への展開に移行するには、オーケストレーションが必要である。そこで、系統層の戦略の出番となるーそして、物事が複雑になる場所である。
制御の景観を支配する三つの建築パラダイム：分散型、集中型、および階層型。
分散型制御は最も単純である：各EVは自律的に動作し、事前にプログラムされたルールを使用して、ローカル系統信号（電圧低下や周波数ディップなど）に応答する。クラウドも、アグリゲーターも、レイテンシーもない。近隣のマイクログリッドやコミュニティ充電ハブに理想的であるー低コスト、スケーラブル、およびプライバシー保護。しかし、それは無秩序である。調整なしでは、何百台ものEVがすべて同時に放電し、意図せず過剰修正を行い、逆の不安定性を引き起こす可能性がある。さらに、潜在能力を浪費する：モールに停まっている半分充電されたセダンは、10キロメートル離れた場所での電圧崩壊を助けることができない。
集中型制御は脚本をひっくり返す。ここでは、中央ディスパッチャーー例えば、電力会社の制御センターーが接続されたすべてのEVからリアルタイムデータ（位置、SOC、最大電力、ユーザー設定）を収集し、大規模な最適化を実行し、個々の配信コマンドを送信する。利点は？ ほぼ完璧なグローバル効率。欠点は？ 計算上および通信上の悪夢である。50万台のEVを擁する都市は、1時間にテラバイト単位のテレメトリを生成するだろう。往復信号伝送からのレイテンシーを追加すると、陳腐化したデータに基づいてコマンドを発行するリスクがありー支援しようとしているまさにそのシステムを不安定化させる可能性さえある。
それが、ほとんどの専門家が現在階層型制御を支持する理由である。それを「中間管理」層と考えてみよう：EVはローカルアグリゲーターーの下にクラスター化されるー充電ネットワーク、フリート運営者、またはスマートビルのような事業体。これらのアグリゲーターはクラスター内の最適化（例：このオフィス駐車場のどのEVが最初に放電すべきか？）を処理し、その後、集約された容量と制約を上方に報告する。系統運営者は個人ではなくクラスターのみを認識するーそれにより、データ量と決定の複雑さを劇的に削減する。広州での最近の試験では、階層的フレームワークは完全な集中化と比較して通信オーバーヘッドを72%削減し、最適な配信精度の94%を維持することを実証した。
しかし、集約はそれ自身のパズルを導入する：どのようにしてEVをインテリジェントにグループ化するか？
初期の努力は大雑把な地理的ビンを使用したー例えば、「変電所Aの1 km圏内のすべてのEV」。それは実装は容易だが、重要な異質性を無視する。1日12時間運航するタクシーは、午前9時から午後5時まで駐車する郊外の通勤者とは大きく異なる可用性を持つ。新しい分類スキームは行動パターンを考慮に入れる：走行時間、到着/出発ウィンドウ、テレマティクスから採掘された充電履歴さえも。一つのアルゴリズムは時空間的特徴にK-meansクラスタリングを使用し、15分ごとに「可用性コホート」を動的に形成する。別のアルゴリズムはEVを硬直的、配信可能、柔軟、または交換可能な負荷としてラベル付けするー電池交換ステーションは（消耗したパックを満充電のパックと交換することにより）ニアインスタントの電力注入を提供できることを認識しており、プラグインEVが物理的に一致できないものを提供する。
グループ化された後、次の課題は電力配分である。90%のSOCの車両と同じくらい放電するように20%のSOCの車両に要求するのは公平ではなく、効率的でもない。SOCとバッテリー容量に基づく加重スキームは一般的だが、依然として単純である。最先端の方法は多目的最適化を使用する：系統要求からの総偏差を最小化しながら、フリート全体の最小SOCを最大化し、バッテリー劣化暴露を均等化する。粒子群最適化や深層強化学習アルゴリズムは、人間の監視を置き換えるのではなく、ここでますます展開され、数百万の配信順列を数秒で探索し、系統のニーズとユーザー公平性のバランスをとるオプションを表面化させる。
おそらく最も過小評価されているボトルネックは技術的ではなく、行動的である。
制御理論がどれほど優れていても、所有者がイエスと言わない限り、EVはサービスを提供しない。そして、人間の決定はノイズが多く、感情的で、文脈に依存する。
二つの主要な関与モデルが存在する：価格ベースとインセンティブベース。
価格ベースの応答ー動的時間帯別料金（TOU）料金を考えてみようーはユーザーが自己選択することを可能にする。夜間にレートが0.04ドル/kWhに下がった時に充電する；午後6時のピーク時は0.35ドル/kWhで価格設定されているので避ける。それは市場効率的でスケーラブルである。しかし、それは鈍感である。深センでの研究では、ピーク対オフピーク比が5:1であっても、ユーザーの38%のみが充電負荷の20%以上をシフトしたことがわかった。なぜか？ 習慣、利便性、不確実性（「明日、もっと早く車が必要になったらどうしよう？」）。
インセンティブベースのプログラムは脚本をひっくり返す：ユーザーは事前にコミットし、保証された支払いと引き換えに配信のために自分のEVを利用可能にする契約を結ぶー例えば、待機準備状態の1時間ごとに1.20ドル、実際の放電に対しては5ドル/kW。応答率は急上昇し（パイロットプログラムでは70%以上）、予測可能性が向上する。しかし、採用は遅い：ユーザーは隠れたコスト、契約の複雑さ、およびバッテリー劣化を恐れている。杭州の一つのアグリゲーターは、デュアルモード契約を提供することによってこれに取り組んだ：「充電優先」（放電は決してせず、充電電力のみを低減）および「フルV2G」（双方向流れを許可し、より高い支払いとバッテリー健康監視を提供）。参加者は3倍に跳ね上がった。
それでも、補償だけでは不十分である。最も成功したプログラムは、ユーザー意図を直接制御ループに組み込んでいる。例えば、「午前7時45分出発、300 kmの航続距離が必要」と入力する運転手は、単にタイマーを設定するだけでなく、コントローラーのための実現可能な電力エンベロープを定義する。すべての系統サービス要求は、そのエンベロープに対してリアルタイムでチェックされる。エンベロープを達成できない？ システムはユーザーの計画を危険にさらすことなく、優雅に参加をランプダウンする。それは信頼を構築するー長期的な関与にとって重要である。
ユーザーが応答するかどうか、およびどれだけの容量を提供するかを予測することは、それ自体が科学である。従来のモンテカルロシミュレーションは、国勢調査データと交通調査を使用して到着時間と走行距離をモデル化する。しかし、実世界の行動はより厄介である。機械学習が参入している：実際の充電ログで訓練されたランダムフォレストは、天候（雨は充電遅延の意欲を減少させる）、曜日、地域のイベント（ダウンタウンのコンサートは早期出発を意味する）などの要因を組み込み、参加確率を85%以上の精度で現在予測する。
将来を見据えると、四つのフロンティアが際立つ。
第一に、クラウドエッジ協調。EVフリートが拡大するにつれて、すべてのデータを中央クラウドに送信するとボトルネックが発生するーレイテンシースパイク、帯域幅コスト、単一障害点。答えは？ インテリジェンスをエッジにプッシュする。充電ステーションと車載EVコントローラーは、リアルタイムの低レイテンシーの決定（例：「周波数が0.05 Hz低下したー10秒間2 kW放電」）を処理し、クラウドはより遅い戦略的タスク：行動モデルの更新、配分アルゴリズムの再訓練、一夜で料金体系の最適化に焦点を当てる。深センでの初期展開は、このハイブリッドアプローチが制御レイテンシーを60%削減し、クラウドデータトラフィックを80%以上削減することを示している。
第二に、クロスレイヤ不確実性管理。EVの移動性は本質的に確率的である。明日の利用可能容量は、今日の交通渋滞、突然の在宅勤務命令、またはパンクに依存する。最も堅牢なフレームワークは現在、不確実性をフィルタリングするノイズとしてではなく、第一級の変数として扱う。例えば、分布的に頑健な最適化は、単一の「最も可能性の高い」EV可用性シナリオを仮定しないーそれはもっともらしいシナリオの entire family に対してヘッジし、 adverse な条件下でも系統サービスが提供可能であり続けることを保証する。
第三に、複数市場共最適化。EVは一度に一つの系統ニーズにのみ応えるべきではない。アグリゲーターは、エネルギー、周波数調整、および電圧サポート市場に同時に入札する可能性があるー価格と系統のニーズが分単位で進化するにつれて、同じキロワット時を一つのサービスから別のサービスにシフトする。これは、技術的制約（例：インバーターの制限により、無効電力を注入し、最大で有功電力を同時に放電することはできない）を尊重しながら、最高価値の機会を追いかける統一制御アーキテクチャを必要とする。
第四にーそして最も決定的にー標準化と相互運用性。今日のV2Gエコシステムは、プロプライエタリなプロトコルの寄せ集めである：テスラのエコシステム、NIOの電池交換ネットワーク、ファーウェイのスマート充電器、およびレガシーな国家電網設備は、めったに同じ言語を話さない。シグナリング（例：IEEE 2030.5）、セキュリティ、およびデータ交換のためのオープン標準なしでは、パイロットプロジェクトを超えて拡大することは不可能である。業界連合は現在、「プラグアンドパーティシペート」認証を推進しているーハードウェアだけでなく、制御ソフトウェアのためにも。
前進する道には、穴がないわけではない。
集中化されたEV放電は、ローカル変圧器を過負荷にする可能性があるー夏の夕方のピーク時に200台の車両がすべて電力 back を供給するアパート複合体を想像してみよう。解決策には、ローカル電圧無効電力調整（EVが電流を増加させることなく電圧をサポートするために力率を調整する）および配電レベル輻輳料金（フィーダーが熱限界に達した時に輸出を絞る）が含まれる。
バッテリー劣化は、心理的および技術的障壁として残っている。管理が行き届いたV2Gは年間容量減少に5%未満しか追加しないことが研究で示されている（Li-ion NMC化学の場合）が、ユーザーの認識は遅れている。透明性のある「バッテリー健康ダッシュボード」と劣化に基づく補償ー支払いが実際の摩耗に応じてスケーリングされるーは、注目を集めている。
そして、そこには部屋の中の象がいる：誰が支払うのか？ 系統運営者はより安価な平衡サービスから利益を得る。EV所有者は収入を得る。しかし、インフラのアップグレードー双方向充電器は単方向のものよりも2〜3倍高価であるーは現在、消費者または充電ネットワークによって負担されている。V2Gを可能にする投資を電力会社が回収することを可能にする規制モデルは、ほとんどの市場で未発達である。
それでも、勢いは否定できない。中国だけでも、国家政策は現在、「新電力システム」ビジョンの一環としてEVと系統の統合を明示的に奨励している。EV販売が2025年までに年間1500万台を超えると予想されており、リソースベースは指数関数的に成長している。問題はもはや、EVが系統を支援するかどうかではなく、それらの集合的な可能性をどれだけインテリジェントに利用できるかである。
答えは、より大きなバッテリーやより高速な充電器にあるのではなく、よりスマートな調整にある：運転手の自律性を系統の安定性と同じくらい強く尊重するシステム。そこが、次世代の制御戦略ー適応的、階層的、人間中心ーがすべての違いを生む場所である。
裴 振坤 (Pei Zhenkun), 王 雪梅 (Wang Xuemei), 康 龍雲 (Kang Longyun) 華南理工大学電力学院、広州510640、中国 Automation of Electric Power Systems, Vol. 47, No. 18, Sept. 25, 2023 DOI: 10.7500/AEPS20220728005